Супутникові зображення є вагомим джерелом інформації про об’єкти, розташовані на поверхні Землі. Протягом останнього десятиліття на земну орбіту виведено чимало космічних апаратів (КА), основним завданням яких є періодичне спостереження за поверхнею Землі в оптичному, короткохвильовому інфрачервоному, термальному інфрачервоному, радіолокаційному спектральних діапазонах електромагнітного випромінювання. В залежності від скануючих приладів та цільового використання, дані КА відрізняються спектральними характеристиками сенсорів, просторовою розрізненістю зображень поверхні Землі, а також часом ревізиту цільової території (часом, протягом якого КА відзніме одну і ту ж цільову територію повторно).

В завданнях сільського господарства найчастіше використовуються оптичні супутникові зображення, а саме дані зеленого (Green), червоного (Red), краю червоного (Red Edge), ближнього інфрачервоного (Near Infrared) та короткохвильового інфрачервоного (Short Wave Infrared) спектральних діапазонів. Основними напрямками їх використання є моніторинг стану посівів, відслідкування аномальних зон розвитку посівів, моніторинг динаміки розвитку рослин та ідентифікація вмісту вологи в рослинах. Слід зазначити, що звичайні вегетаційні індекси, розраховані на основі спектральних значень каналів є залежними від сенсору (співставлення вег. індексів отриманих різними сенсорами не завжди є доцільним) і несуть слабке фізичне обгрунтування. Альтернативою їм є біофізичні параметри рослинності, які хоч і є продуктом складнішого аналізу, однак несуть фізично обґрунтований зміст, а також валідуються шляхом наземних вимірювань і є кращими предикторами для прогнозування врожайності [1].

Окрім зазначеного, потрібно пам’ятати, що дані дистанційного спостереження розповсюджуються на як на безкоштовній так і на комерційній основі. Варто зазначити, що комерційні дані мають надвисоку просторову розрізненість (від кількох десятків сантиметрів) та можливість замовлення зйомки в наперед запланований день (цю послугу надають не всі провайдери). До недоліків комерційних даних варто віднести, насамперед, їх вартість та малу площу покриття зображенням. Натомість, безкоштовні дані мають середню просторову розрізненість (10-30 м, що є достатнім рівнем деталізації для с/г полів України) та велику площу покриття (близько 30 тис. км²), що дозволяє використовувати їх як на рівні полів, так і на рівні адмін. одиниць – районів, областей. Серед відомих провайдерів найсучасніших безкоштовних даних варто відзначити Геопортал Геологічної служби США [2], який розповсюджує дані КА Landsat-8 OLI/TIRS (30м/100м) та геопортал програми Copernicus Єврокомісії [3].

Незважаючи на надзвичайну інформативність та достатній рівень деталізації, супутникова інформація не є доступною в належному вигляді для осіб, які приймають управлінські рішення, і як результат, повинна піддаватись обробці та перетворюватись в прості і зрозумілі продукти. Саме тому, кожна компанія, яка займається вирощуванням сільськогосподарських культур, або ж надає послуги з супутникового моніторингу посівів на полях зацікавлена в спеціалісті з обробки, аналізу та інтерпретації супутникової інформації. Зазвичай, такого роду спеціаліст повинен:

Знати:

Вміти:

• системи координат зображень, їх просторову та радіометричні розрізненість;
• процеси попередньої та тематичної обробки зображень;
• спектральні особливості рослин.

• користуватися інструментарієм геоінформаційних систем (ГІС);
• макетувати та здійснювати редагування ГІС проектів;
• застосовувати навички batch-скриптінгу реалізовувати програмні сценарії для попередньої та тематичної обробки даних.

Основним середовищем роботи більшості ГІС спеціалістів є ГІС системи. Їх можливості та функціонал в основному залежать від того, комерційні це ГІС (ArcGis, ERDAS, ENVI, та ін.), чи безкоштовні з відкритим кодом (QGis, GRASS, та ін.). ГІС спеціаліст часто зустрічається з завданнями по обробці великих об’ємів інформації (історичний аналіз, моделювання, прогнозування, картографування, тощо.). В таких випадках, частіше за все, стандартного функціоналу ГІС систем недостатньо. І тут в пригоді стануть навички з програмування.

Однією з найбільш відомих та широко використовуваних програмних бібліотек з обробки геопросторової інформації є бібліотеки GDAL та OGR [4]. Ці бібліотеки призначені для обробки растрових (GDAL) та векторних (OGR) геопросторових даних і реалізовані на одній з найпопулярніших сучасних мов програмування – Python [5]. Бінарії цих бібліотек також реалізовані під більшість відомих мов програмування і інтегровані до багатьох ГІС. Так, наприклад, одна з найпопулярніших безкоштовних ГІС – QGis [6] має інтегровані Python-бінарії бібліотек GDAL/OGR, а також спеціальне програмне забезпечення OSGeo4W [7], яке надає інтерфейс командного рядка ОС Windows для автоматичної обробки великих об’ємів геопросторових даних.

На замітку ГІС спеціалісту. Варто пам’ятати, що хоч комерційні ГІС і надають ширший спектр функціоналу, але безкоштовні (QGis) мають відкритий код, є масштабованими і мають значно ширше товариство користувачів.

ПЕРЕЛІК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. A. Kolotii, N. Kussul, A. Shelestov, S. Skakun, B. Yailymov, R. Basarab, M. Lavreniuk, T. Oliinyk, V. Ostapenko . Comparison of biophysical and satellite predictors for wheat yield forecasting in Ukraine // International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. – 2015. - P. 39-44.
2. Геопортал Геологічної служби США. Режим доступу станом на 12.06.2016: http://earthexplorer.usgs.gov/
3. Sentinels Scientific Data Hub. Режим доступу станом на 12.06.2016: https://scihub.copernicus.eu/
4. Проект GDAL/OGR. Режим доступу станом на 12.06.2016: http://www.gdal.org/
5. Оф. сторінка розробників мови програмування Python. Режим доступу станом на 12.06.2016: https://www.python.org/
6. QGis PROJECT. Режим доступу станом на 12.06.2016: http://qgis.org/ru/site/
7. Проект OSGeo4W. Режим доступу станом на 12.06.2016:  http://trac.osgeo.org/osgeo4w/